【技术实现步骤摘要】
一种基于Stacking集成学习的果树叶片氮含量估算方法
[0001]本专利技术涉及一种基于Stacking集成学习的果树叶片氮含量估算方法，属于利用卫星遥感影像进行农作物生化组分监测
技术介绍
[0002]氮是果树生长过程中必需的营养元素，对果树的生理生化过程起着重要的调控作用，也影响着果实最终的品质和产量。在实际的农业生产中，对氮肥的施用往往依靠人工经验，缺氮会影响果树的生长发育，而过量的氮肥则会导致果实的减产和环境的污染。快速准确地获取果树叶片氮含量(Leaf Nitrogen Content，LNC)，对果园科学合理地施用氮肥、节约成本有着重要意义。以往获取LNC的方法主要是化学检测，这种方法需要到野外实地采样，还需经过长时间的样品处理和实验室分析，其结果虽然准确，但是成本高昂、对果树具有破坏性，此外还存在时效性差、结果不具代表性等弊端。
[0003]随着光谱探测技术的快速发展，其以无损、便捷等优势成为了作物生长机理分析和定量化研究的热点。高光谱可以对作物光谱响应从生长机理上进行分析，但是同样存在着...
【技术保护点】
【技术特征摘要】
1.一种基于Stacking集成学习的果树叶片氮含量估算方法，其特征在于：在果树树叶片生长成熟、且生化组分稳定时期，按如下步骤i至步骤vii，获得目标区域所对应的果树叶片氮含量估算器；以及在相同果树时期，按如下步骤A至步骤B，应用目标区域所对应的果树叶片氮含量估算器，实现对目标区域中目标位置果树叶片氮含量的估算；步骤i. 分别针对目标区域中预设各个采样位置，获取采样位置的遥感影像光谱，并以该采样位置为中心、预设半径范围内预设数量各果树叶片的氮含量，应用该各果树叶片的平均氮含量，作为该采样位置的氮含量；进而获得各采样位置分别所对应的遥感影像光谱与氮含量，然后进入步骤ii；步骤ii. 根据各采样位置分别所对应的遥感影像光谱，构建获得各采样位置分别对应预设各类光谱植被指数的数据值，进而结合各采样位置分别所对应的氮含量，获得该预设各类光谱植被指数分别与氮含量之间的预设类型相关系数，并由该预设各类光谱植被指数中、选择预设类型相关系数大于预设系数阈值的各类光谱植被指数，即作为各个目标光谱植被指数，然后进入步骤iii；步骤iii. 基于各采样位置分别对应各目标光谱植被指数的数据值，以及各采样位置分别所对应的氮含量，以单个采样位置对应各目标光谱植被指数的数据值、以及氮含量作为单个样本，由各个样本构建样本数据集，并按预设比例，将样本数据集中全部样本完全划分为第一层训练集与第一层测试集，然后进入步骤iv；步骤iv. 将第一层训练集中全部样本完全划分为N份第一层样本集，然后分别针对预设指定各个待训练基模型，通过遍历各份第一层样本集，并以其余各份第一层样本集针对待训练基模型进行训练的方式，获得待训练基模型所对应的训练后基模型，以及通过遍历各份第一层样本集所获各采样位置分别对应的氮含量估算结果，构建该待训练基模型所对应的全部第一层估算样本；然后进入步骤v；步骤v. 分别针对各个训练后基模型，针对第一层测试集中各采样位置分别所对应各目标光谱植被指数的数据值，应用训练后基模型，获得该各采样位置分别所对应的氮含量估算结果，由该各采样位置分别所对应的氮含量估算结果、以及该各采样位置分别所对应的氮含量，构成该训练后基模型所对应的各个第二层估算样本；进而获得各训练后基模型分别所对应的全部第二层估算样本，然后进入步骤vi；步骤vi. 以全部第一层估算样本构成第二层训练集，以全部第二层估算样本构成第二测试集，根据第二层训练集与第二测试集，以采样位置所对应的氮含量估算结果为输入，采样位置所对应的氮含量为输出，针对预设指定待训练元模型进行训练，获得待训练元模型所对应的训练后元模型，然后进入步骤vii；步骤vii. 以各训练后基模型的输入端为输入，各训练后基模型的输出端分别对接训练后元模型的输入端，训练后元模型的输出为输出，构成stacking集成模型，即目标区域所对应的果树叶片氮含量估算器；步骤A. 获得目标位置的遥感影像光谱，并构建获得目标位置对应各目标光谱植被指数的数据值，然后进入步骤B；步骤B. 根据目标位置对应各目标光谱植被指数的数据值，应用目标区域所对应的果树叶片氮含量估算器，获得目标位置果树叶片氮含量。2.根据权...
【专利技术属性】
技术研发人员：李勇，吴彤，葛莹，袁晓慧，庄翠珍，
申请(专利权)人：新平褚氏农业有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。